Ako Mi Strojové Učenie Pomohlo Pochopiť Niektoré Aspekty Vývoja V Ranom Detstve - Alternatívny Pohľad

Obsah:

Ako Mi Strojové Učenie Pomohlo Pochopiť Niektoré Aspekty Vývoja V Ranom Detstve - Alternatívny Pohľad
Ako Mi Strojové Učenie Pomohlo Pochopiť Niektoré Aspekty Vývoja V Ranom Detstve - Alternatívny Pohľad

Video: Ako Mi Strojové Učenie Pomohlo Pochopiť Niektoré Aspekty Vývoja V Ranom Detstve - Alternatívny Pohľad

Video: Ako Mi Strojové Učenie Pomohlo Pochopiť Niektoré Aspekty Vývoja V Ranom Detstve - Alternatívny Pohľad
Video: 🐥#4 Watson, strojové učenie pre deti, ihrisko pre tensorflow.js, otec GANu, CodeCombat 2024, Smieť
Anonim

Keď bol môj prvý syn iba dvaja, už miloval autá, poznal všetky značky a modely (dokonca viac ako ja, vďaka svojim priateľom), ich mohol spoznať malou časťou obrazu. Každý povedal: genialita. Hoci si všimli úplnú zbytočnosť týchto znalostí. A syn medzitým s nimi spal, valcoval ich a umiestnil ich presne do jedného radu alebo na štvorec.

Keď mal 4 roky, naučil sa počítať a v 5 sa už mohol množiť a pripočítavať do 1 000. Dokonca sme hrali Math Workout (táto hra je v systéme Android - po práci som rád počítal v metre) a v určitom okamihu sa stal mnou len to urob. A vo svojom voľnom čase počítal až milión, ktorý zmrazil ľudí okolo seba. Genius! - povedali, ale predpokladali sme, že to tak nie je.

Mimochodom, na trhu celkom dobre pomohol svojej matke - vypočítal celkovú sumu rýchlejšie ako predajcovia na kalkulačke.

Zároveň nikdy nehral na súde, nekomunikoval s rovesníkmi, nevyhovoval veľmi dobre deťom a učiteľom v materskej škole. Všeobecne bol malým vyhradeným dieťaťom.

Ďalším krokom bola geografia - pokúsili sme sa niekde nasmerovať lásku k číslam a dali sme synovi starý sovietsky atlas. Vrhal sa do toho mesiac a potom sa začal pýtať zložité otázky štýlom:

- Oci, v ktorej krajine si myslíš, že má veľkú oblasť: Pakistan alebo Mozambik?

"Pravdepodobne Mozambik," odpovedal som.

- Ale nie! Oblasť Pakistanu je ešte viac ako 2 350 km2, - syn šťastne odpovedal.

Propagačné video:

Image
Image

Zároveň sa vôbec nezaujímali ani o obyvateľstvo obývajúce tieto krajiny, ani o ich jazyky, ošatenie či ľudovú hudbu. Len holé čísla: plocha, počet obyvateľov, objem nerastných surovín atď.

Každý znova obdivoval. "Chytre po rokoch," povedali okolo, ale opäť som sa obával, pretože Pochopil som, že ide o úplne zbytočné vedomosti, ktoré nie sú spojené so životnými skúsenosťami a ktoré je ťažké ďalej rozvíjať. Najlepšou aplikáciou všetkého, čo som našiel, bol návrh na výpočet toho, koľko áut by sa zmestilo na parkovisko, ak by sa konkrétna krajina zvalila asfaltom (bez ohľadu na horský terén), ale rýchlo som sa zastavil, pretože facka genocídy.

Je zaujímavé, že do tejto doby téma automobilov úplne zmizla, syn si ani nepamätal mená svojich obľúbených automobilov z jeho obrovskej zbierky, ktorú sme začali distribuovať so stratou záujmu. A potom začal vo svojej mysli počítať pomalšie a čoskoro zabudol na námestia krajín. Zároveň začal viac komunikovať so svojimi rovesníkmi, stal sa väčším kontaktom. Géniom prešiel, priatelia prestali obdivovať, syn sa stal iba dobrým študentom so záľubou v matematike a exaktných vedách.

Opakovanie je matkou učenia

Zdalo by sa, že to je všetko. Toto je vidieť u mnohých detí. Ich rodičia všetkým deklarujú, že ich deti sú géniové, babičky ich obdivujú a oceňujú ich „znalosť“. A potom vyrastú na obyčajné, jednoducho šikovné deti, nie geniálnejšie ako syn kamaráta mojej matky.

Pri štúdiu neurónových sietí som narazil na podobný jav a zdá sa mi, že z tejto analógie je možné vyvodiť určité závery. Nie som biológ alebo neurovedec. Všetky ďalšie - moje odhady bez toho, aby boli zvlášť vedecké. Bol by som rád, keby som dostal pripomienky od odborníkov.

Keď som sa snažil pochopiť, ako sa môj syn naučil počítať rýchlejšie ako ja, tak cool (úroveň dokončil v Math Workout za 20,4 sekundy, zatiaľ čo môj záznam bol 21,9), uvedomil som si, že vôbec nepočíta. Dozvedel sa, že keď sa objaví 55 + 17, musel stlačiť 72. Na 45 + 38 musel stlačiť 83 a tak ďalej. Spočiatku samozrejme počítal, ale skok v rýchlosti nastal v okamihu, keď si dokázal spomenúť na všetky kombinácie. Pomerne rýchlo si začal pamätať nie konkrétne nápisy, ale kombinácie symbolov. Presne to učia v škole, študujú multiplikačnú tabuľku - nezabudnite na korešpondenčnú tabuľku MxN -> P.

Ukázalo sa, že väčšinu informácií vnímal presne ako spojenie medzi vstupnými údajmi a výstupnými údajmi a že veľmi všeobecný algoritmus, na ktorý sme zvyknutí pri posúvaní odpovede, nebol obmedzený iba na veľmi dobre naostrený vysoko špecializovaný algoritmus na počítanie dvojciferných čísel. Urobil niekoľko vynikajúcich úloh, ale oveľa pomalšie. Tie. To, čo si všetci mysleli, že je super, bolo skutočne simulované dobre vyškolenou neurónovou sieťou pre konkrétnu úlohu.

Extra vedomosti

Prečo majú niektoré deti možnosť zapamätať sa týmto spôsobom, zatiaľ čo iné nie?

Predstavte si oblasť záujmu dieťaťa (tu pristupujeme k otázke kvalitatívne, bez akýchkoľvek meraní). Vľavo je oblasť záujmov bežného dieťaťa a napravo oblasť záujmov „nadaného“dieťaťa. Ako sa očakávalo, hlavný záujem sa sústreďuje na oblasti, pre ktoré sú osobitné schopnosti. Ale pre každodenné veci a komunikáciu s rovesníkmi už nie je dostatočný dôraz. Túto znalosť považuje za zbytočnú.

Záujmy obyčajného dieťaťa vo veku 5 rokov
Záujmy obyčajného dieťaťa vo veku 5 rokov

Záujmy obyčajného dieťaťa vo veku 5 rokov.

Záujmy „geniálneho“dieťaťa 5 rokov
Záujmy „geniálneho“dieťaťa 5 rokov

Záujmy „geniálneho“dieťaťa 5 rokov.

U týchto detí mozog analyzuje a vedie výcvik iba na vybrané témy. Cvičením sa musí nervová sieť v mozgu naučiť úspešne klasifikovať prichádzajúce údaje. Mozog má však k dispozícii veľa neurónov. Oveľa viac, ako je potrebné pre bežnú prácu s takými jednoduchými úlohami. Deti zvyčajne riešia mnoho rôznych životných problémov, ale tu sú všetky rovnaké zdroje hodené do užšej škály úloh. A školenie v tomto režime ľahko vedie k tomu, čo odborníci v oblasti ML označujú ako nadmerné vybavenie. Sieť s využitím množstva koeficientov (neurónov) sa vyškolila tak, aby vždy dala presne potrebné odpovede (ale mohla by rozdať úplné nezmysly na vstupných vstupných údajoch, ale nikto to nevidí). Výcvik teda neviedol k tomu, že mozog si vybral hlavné charakteristiky a zapamätal si ich, ale k tomu, že upravil mnoho koeficientov,poskytnúť presný výsledok už známym údajom (ako na obrázku vpravo). Okrem toho sa mozog tak naučil aj o iných témach, keď bol zle vyškolený (ako na obrázku vľavo).

Image
Image

Čo je to podprsenka a podprsenka?

Pre tých, ktorí nie sú predmetom, poviem vám veľmi stručne. Pri tréningu neurónovej siete je úlohou vybrať určitý počet parametrov (váhy spojenia medzi neurónmi) tak, aby sieť čo najpresnejšie a najpresnejšie reagovala na tréningové dáta (tréningová vzorka).

Ak je takýchto parametrov príliš málo, sieť nebude môcť brať do úvahy podrobnosti vzorky, čo povedie k veľmi hrubej a spriemerovanej odpovedi, ktorá nefunguje dobre ani na vzorke školenia. Podobne ako na obrázku vľavo hore. Je to oblek.

S primeraným počtom parametrov sieť poskytne dobrý výsledok, „prehĺtanie“výrazných odchýlok v údajoch o školení. Takáto sieť bude dobre reagovať nielen na vzorku odbornej prípravy, ale aj na ďalšie prechodné hodnoty. Rovnako ako stredný obrázok vyššie.

Ak je však sieti zadaných príliš veľa konfigurovateľných parametrov, bude sa trénovať tak, aby reprodukovala aj veľké odchýlky a fluktuácie (vrátane tých, ktoré sú spôsobené chybami), čo môže viesť k úplným nezmyslom pri pokuse získať odpoveď na vstupné údaje, ktoré nie sú zo vzorky tréningu. Niečo ako obrázok vpravo hore. Preplňuje sa to.

Jednoduchý ilustratívny príklad.

Image
Image

Povedzme, že máte viac bodov (modré kruhy). Ak chcete predpovedať polohu ďalších bodov, musíte nakresliť hladkú krivku. Ak vezmeme napríklad polynóm, potom pre malé stupne (až 3 alebo 4), naša hladká krivka bude úplne presná (modrá krivka). V takom prípade nemusí modrá krivka prechádzať cez pôvodné body (modré body).

Ak sa však zvýši počet koeficientov (a teda aj stupeň polynómu), zvýši sa presnosť prechodu modrými bodmi (alebo dôjde k 100% zásahu), ale správanie medzi týmito bodmi sa stane nepredvídateľným (pozri ako kolísa červená krivka).

Zdá sa mi, že práve tendencia dieťaťa k určitej téme (posadnutosť) a úplná nevedomosť o ostatných témach vedie k tomu, že pri výučbe sa týmto témam dáva príliš veľa „koeficientov“.

Vzhľadom na to, že sieť je nakonfigurovaná na konkrétne vstupné údaje a nezvýraznila „vlastnosti“, ale hlúpo „zapamätané“vstupné údaje, nemožno ich použiť s mierne odlišnými vstupnými údajmi. Uplatniteľnosť takejto siete je veľmi úzka. S pribúdajúcim vekom sa obzory rozširujú, zaostrenie je rozmazané a už nie je možné priradiť rovnaký počet neurónov k tej istej úlohe - začínajú sa používať v nových úlohách, ktoré sú pre dieťa viac potrebné. „Nastavenia“tohto prepadnutého sieťového kolapsu sa stane dieťaťom „normálnym“, génius zmizne.

Samozrejme, ak má dieťa zručnosť, ktorá je sama osebe užitočná a môže sa rozvíjať (napríklad hudba alebo šport), potom sa jeho „génius“môže udržiavať na dlhú dobu a tieto zručnosti dokonca priniesť na profesionálnu úroveň. Ale vo väčšine prípadov to nefunguje a do 8 až 10 rokov nebude existovať žiadna stopa starých zručností.

závery

  • máš géniové dieťa? to prejde;)
  • Výhľad a „genialita“sú veci, ktoré s tým súvisia a sú spojené presne prostredníctvom mechanizmu učenia
  • tento zjavný „génius“pravdepodobne nie je vôbec génius, ale účinok príliš silného tréningu mozgu na konkrétnu úlohu bez jej pochopenia - na túto úlohu boli vyčlenené všetky zdroje.
  • pri náprave úzkych záujmov dieťaťa jeho génius zmizne
  • Ak je vaše dieťa „génius“a trochu viac rezervované ako rovesníci, musíte tieto vedomosti ďalej rozvíjať opatrne, aktívne rozvíjať svoje obzory paralelne a nesústrediť sa na tieto „cool“, ale zvyčajne zbytočné zručnosti.

Autor: Sergey Poltorak